Introduzione ai modelli lineari generalizzati

Recensioni dei lettori

Il libro è un'introduzione di facile lettura ai modelli lineari generalizzati (GLM), adatta a chi ha familiarità con la statistica di base. Spiega efficacemente le intuizioni e le procedure, anche se manca di prove rigorose e di esempi pratici di codifica.

⬤ Veloce e facile da leggere
⬤ buona introduzione ai GLM
⬤ ben scritto con informazioni preziose
⬤ adatto alla preparazione dell'esame CAS MAS-I
⬤ spiegazioni teoriche accessibili.

⬤ Richiede una conoscenza preliminare della regressione lineare e logistica
⬤ manca di prove per le distribuzioni di campionamento
⬤ esempi di codifica insufficienti e risorse aggiuntive per i principianti
⬤ potrebbe non essere pienamente adatto a chi non ha un background teorico in statistica.

(basato su 6 recensioni dei lettori)

Titolo originale:

An Introduction to Generalized Linear Models

Contenuto del libro:

An Introduction to Generalized Linear Models, Fourth Edition fornisce un quadro coesivo per la modellazione statistica, con un'enfasi sui metodi numerici e grafici. Questa nuova edizione di un bestseller è stata aggiornata con nuove sezioni sulle associazioni non lineari, strategie per la selezione dei modelli e una postfazione sulle buone pratiche statistiche.

Come il suo predecessore, questa edizione presenta il background teorico dei modelli lineari generalizzati (GLM) prima di concentrarsi sui metodi per analizzare particolari tipi di dati. Vengono trattate le distribuzioni normale, di Poisson e binomiale; i modelli di regressione lineare; i metodi classici di stima e di adattamento dei modelli; i metodi frequentisti di inferenza statistica. Dopo aver creato queste basi, gli autori esplorano la regressione lineare multipla, l'analisi della varianza (ANOVA), la regressione logistica, i modelli log-lineari, l'analisi della sopravvivenza, la modellazione multilivello, i modelli bayesiani e i metodi della catena di Markov Monte Carlo (MCMC).

⬤ Introduce i GLM in modo da consentire al lettore di comprendere la struttura unificante che li sostiene.

⬤ Discute i concetti e i principi comuni dei GLM avanzati, tra cui la regressione nominale e ordinale, l'analisi della sopravvivenza, le associazioni non lineari e l'analisi longitudinale.

⬤ Collega l'analisi bayesiana e i metodi MCMC all'adattamento dei GLM.

⬤ Contiene numerosi esempi tratti da economia, medicina, ingegneria e scienze sociali.

⬤ Fornisce il codice di esempio per R, Stata e WinBUGS per incoraggiare l'implementazione dei metodi.

⬤ Offre i set di dati e le soluzioni agli esercizi online.

⬤ Descrive le componenti di una buona pratica statistica per migliorare la validità scientifica e la riproducibilità dei risultati.

Utilizzando i più diffusi programmi di software statistico, questo testo conciso e accessibile illustra gli approcci pratici alla stima, all'adattamento dei modelli e al loro confronto.